线性天线阵的统计监测：GLR原理及效果评估

工程科学与技术，国际期刊19（2016）1781短通信线性天线阵的统计监测Fouzi Harrou先生，孙英阿卜杜拉国王科技大学（KAUST），计算机、电气和数学科学工程部（CEMSE），Thuwal 23955-6900，沙特阿拉伯阿提奇莱因福奥文章历史记录：2016年7月8日收到2016年10月4日修订2016年10月22日接受2016年11月3日在线发布保留字：辐射方向图线性天线阵列假设检验故障检测GLR试验A B S T R A C T本文研究了利用广义似然比（GLR）检验对线阵天线进行监测的问题。当一个异常事件（故障）影响天线单元阵列时，辐射模式会发生变化，并可能导致与所需设计性能指标的显著偏差在本文中，故障的检测是从统计的角度来看，作为一个故障检测问题。具体而言，基于GLR原理的统计方法用于检测线阵中的潜在故障。为了评估基于GLR的监测方案的强度，进行了涉及不同类型故障的三个案例研究仿真结果清楚地表明了基于GLR的故障检测方法在线阵天线性能监测中的有效性©2016 Karabuk University. Elsevier B.V.的出版服务。这是CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍无线通信系统中的最新发展已经显著提高了对天线阵列的需求[1在遥感、卫星通信和生物医学成像等众多应用中，对高性能天线阵列系统有着明确的需求[5然而，在实际工作中，天线阵出现故障的情况并不少见故障可能是由于灰尘颗粒沉降在天线元件上、设计不良、驱动电子设备故障、使用不当、安装过程中阵列元件的位置偏移或这些不同原因的组合[9]。在天线阵列中的一个或多个元件中发生故障会改变阵列的辐射模式，这会降低整个阵列的性能[10，11]。因此，天线的监测对于揭示任何异常以及其正确和有效的操作是重要的。此外，需要监控天线，以便可以检测、隔离和移除故障，以维持无线系统的高效安全操作天线元件线性阵列中的完全（也称为开关）和部分故障是实践中常见的两种类型的故障[12]。具有开关故障的天线元件在实践中广泛遇到并且不辐射。天线元件部分故障（由干扰或其他因素引起），在所需的辐射模式退化。通常，有故障的阵列元件不仅会使天线方向图的方向性*通讯作者。电子邮件地址：fouzi. kaust.edu.sa（F. Harrou）。由Karabuk大学负责进行同行审查。而且还包括辐射图的旁瓣电平[13，14]。 实际上，在正常操作下，由于测量噪声和误差，所测量的图案接近于期望的图案，而在存在异常事件（故障）的情况下，所测量的图案显著偏离期望的图案。在过去的二十年中，研究人员和工程师已经开发了几种旨在检测天线阵列中的异常事件的方法，并且包括压缩感知[15]、贝叶斯压缩感知[14]、神经网络[16，17]、遗传算法[18，19]、细菌觅食优化[20]、穷举搜索[21]、支持向量机[22]和分配方式[23]。异常检测和诊断是过程监控的两个重要组成部分：首先识别异常，然后隔离异常，以确保它们可以得到适当的处理[24，25]。为了提高天线系统的运行，我们希望以有效的方式监控天线阵列，以识别可能导致天线阵列性能、运行可靠性和盈利能力下降的任何异常，以便我们可以通过对被检查的系统进行任何必要的校正来做出相应的响应。统计过程控制（SPC），识别过程中的异常以评估该过程的质量[26]，是可以实现这些目标的一些工具。它们已经在许多应用中得到应用[27，28]。SPC图表从被检查的系统中获取质量控制数据，并将其随时间绘制。已经 开 发 了 各 种 类 型 的 单 变 量 图 ， 包 括 Shewhart 图 、 累 积 和（Cumulative sum，CWM）控制图、指数加权移动平均（EWMA）图和基于广义似然比（GLR）假设检验的控制图[26，29]。有些监测图表可以调整，使其对特定的异常幅度更敏感。比如说，http://dx.doi.org/10.1016/j.jestch.2016.10.0102215-0986/©2016 Karabuk University.出版社：Elsevier B.V.这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestch22N2N四分之二]222SFsmax我我我假设H通过比较两个基因，K22R2-2r22Hn2002年p月22日r2R22R22n212212小行星1782Harrou，Y.Sun/Engineering Science and Technology，an International Journal 19（2016）1781Shewhart型图表对过程平均值的大位移比小位移更敏感[26]，而EWMA和EWMA图表对过程平均值的小位移更敏感[28]。通过使用基于整个过程历史信息的图表，可以提高检测较小参数变化的能力。然而，EWMA和EWM图表在检测大的变化时不是很有效[11]。因为在这个过程中，并且使用元件间间距计算位置xi，如下：x i¼i-1Dx; i ¼ 1; 2 N.阵列的测量方向图通常被误差n~N <$0;r2<$0所破坏，其可以由具有零均值和方差r2的加性高斯噪声来建模，使得等式（2）成为Fsuf uXaicoskxisin uuwn：2这意味着将在应用中发生的偏移是未知的，因此期望能够有效地检测宽范围的偏移大小。如果为trueFsmax我1/1移位幅度是未知的或者不是恒定的，必须对移位大小进行假设，或者必须设计有能力的算法来估计不同大小的幅度。似然比检验是获得控制图的一种有用方法，可以检测不同大小的过程变化[30，31]。这种图表，通常称为GLR图表，已被证明在各种各样的设置中非常有效，使其具有设计用于多种应用的优势。GLR图的一个重要优点是控制限值是唯一需要指定的设计参数[32]。本文提出了一种基于GLR法原理的线阵天线故障检测的统计方法。与机器学习方法（如SVM和神经网络）相比，基于GLR的监测图的主要优点是，由于其计算成本低，因此可以很容易地实时实现基于机器学习的监控涉及复杂的训练并且具有高计算成本。本文件其余部分的组织如下。第2节概述了一些基本的天线阵列理论，因为它适用于这个问题.然后，在第3节中简要描述了复合假设检验中常用的GLR检验。在第4节中，描述了天线阵列中的故障检测方法，然后通过模拟示例说明第5节中的GLR假设测试方法的性能。最后，本文在第6节中总结了未来工作的建议。2. 线性阵列天线让我们考虑天线元件的无故障线性阵列包括偶数（2N）个各向同性元件。假设元件是对称共轭的，并且关于阵列的中心处于对称激励配置。使用以下表达式[5]计算该阵列的归一化辐射图：FuuXacoskxsinuw;11/1其中，fu表示元件模式，u表示角方向，ai和wi分别是电流激励幅度。日天线阵列中的故障可能严重扭曲设计辐射模式如前所述，故障可以分为两种类型：开关故障和部分故障。当受影响的元件完全失效时（即，完全停止辐射），这等价于假设它们的相应激励为零。另一方面，在受部分故障影响的阵列中，损坏的元件不会完全失效，而是辐射其正常功率的一小部分随着阵列中故障元件的数量增加，图案变得更加退化。因此，检测天线阵列中的故障的存在是必要的，以确保其正常工作。下面将描述用于实现这一目标的GLR测试3. 广义似然比检验这里描述的GLRT是推导复合假设检验问题GLR假设检验是一种用于统计决策过程的众所周知的算法，其能够在两个复合假设之间做出决定（[33在二元假设检验中，当假设是复合的或相应的数据概率密度函数包含未知参数时，GLR检验是一种流行的方法，用于在两种可能性之间做出决定具体来说，它是基于所有可能故障的似然比函数的最大化（[36]），这使得它通常适用于大多数参数假设检验问题。GLR测试是各种学科的科学家和工程师广泛使用的故障检测技术，包括成像分析（[37，38]）、电力系统（[39]）、燃气轮机（ [40] ） 、 电 子 系 统（ [41] ） 、 环 境 过 程（ [42] ） 和 化 学 过程（[43]）。假设我们有一个测量向量Yy1;y2;... y nRn按照以下两种正态分布之一分布，N0;r 2 I n GLR测试决定零假设H01/fY~N 1/0;r2Inn n g和备择假设12一个估计的似然比，LvY，和一个给定的阈值，hðaÞ.似然比检验统计量，LIFEY，如下所示润滑剂用量为2 logh2Rsupfh润滑剂用量i的性质和相位放置在给定fh¼0Y由xi（见图1），k1/2p是波长为k的波数，2个log。超经验HkY-hk2o经验;经验kYk2o3其中k：k是欧几里德范数，expn-1kY-hk2o是Y的pdf。重写Eq.3我们有：1. blogminkY-hk2kYk2H没有1/4r2kY-bhk2kYk2：在当量（4）、我们获得最大估计如：bh¼arghminkY-hk2¼Y。将bh代入方程，我们得到Fig. 1.具有沿x轴对称布置的2N个元件的线性阵列。长度：25mmn¼-=ð ÞHZPLYPha1-F02v2R<$fydy<$1-Fh1;khkfh¼0Yð ÞR22H0h接近于零的残差的平均值是由于测量噪声和误差，这意味着被监测的天线正常工作。正是这种比较操作使残差成为故障检测的有用指标。基于GLR的测试用于通常，阈值ha被选择为实现期望的误报警概率，先验地预定义（[34]）。在零假设H0（不存在异常）和备择假设1（存在异常）：12小时24小时（H01/fe~N0;rIn2ð9Þ注意，Yt~Nh;r2在H0下，因此L具有单自由度中心V2此外，如果观测到的L_（？）Y_（？）的值大于v1分布的第（1-a）分位数，则H0可以在显著性水平a处被拒绝。幂函数由下式给出：H1 1½ fe~ Nh;rIngg;n替代选项：通过将第3节中描述的GLR决策统计与决策阈值的给定值进行比较，被发现。如果GLR统计量超过决策阈值，则检测到故障。由于残差向量被用作GLR的输入数据，bdωcPhdYH1PhLYPha1Hð8Þ测试，只有一个GLR决策统计量计算检测天线单元的线性阵列中注意这其中，F1;kY是具有一个自由度的非中心v21;k分布，非中心参数rkh1kP？hhk2.技术可以用于检测阵列的辐射图案是否与期望的图案匹配，但是它不能用于确定故障元件的位置一种算法-接下来，将利用前面描述的GLR测试来监测线性天线阵列4. 通过GLR测试监测线性天线阵列在本节中，GLR测试将用于监测天线元件线性阵列的辐射方向图。参考或无故障模式与被监测阵列的实际模式之间的差异或残差通常具有零均值和与噪声测量的大小相关的方差。当辐射方向图有故障时，其相关残差的平均值偏离其标称值，这可以使用GLR假设检验来检测。所提出的故障检测过程包括以下步骤：1）产生残差，2）使用GLR检验对这些残差进行评估（见图2）。 2）的情况。设e1/2eu1;. . . ;euj;. . . 其中，n是剩余矢量，其被定义为参考辐射方向图与被测试或被监测阵列的辐射方向图之间的差。在没有故障的情况下，残差向量等于e¼Fdu-Fsu;并且在存在加性故障向量h的情况下，残差向量等于e¼Fdu-Fsu½h]：加性故障通过加一个偏置向量影响过程模型的残差[24]。假设残差向量e遵循高斯分布。平均值的巨大变化线的建议GLR监测技术在线性天线阵列总结在表1中。如前所述，GLR测试采用两个步骤来检测天线阵列中的故障第一个涉及使用一个参考模式（代表无故障天线阵列），以产生残留信号。在第二步中，计算似然比并将其与阈值进行比较以识别可能的在下一节中，通过将其应用于监测线性天线阵列来说明这种基于GLR的故障检测算法的有效性。5. 模拟示例在本节中，GLR假设检验的异常检测能力通过其检测线性天线中的故障的能力来评估为此，模拟了三种不同的异常情况在第一个案例研究中，假设监测线性阵列包含两个完全失败的元素（情况i）。在第二个案例研究中，被认为是部分故障的天线阵列（情况二）。在第三种情况下，被监测阵列的辐射方向图被随机噪声污染（情况iii）。该问题的无故障训练数据是通过模拟由12个矩形微带天线组成的均匀间隔线阵的辐射方向图而在该模拟中使用的辐射图案fu与[44]中描述的辐射图案相同。该辐射图案是针对具有2： 2的介电常数、0：152cm的厚度、具有1： 89cm的尺寸的正方形贴片以及5GHz的频率的的图二、使用GLR假设检验的天线阵列故障检测的简化框图h是阈值，K是GLR决策函数。--¼ð Þ¼¼-小行星1784Harrou，Y.Sun/Engineering Science and Technology，an International Journal 19（2016）1781表1使用GLR故障检测算法的天线阵列监控。给出：● 训练无故障辐射方向图数据（从正常操作的天线阵列获得），以及测试辐射方向图数据（从可能包含故障元件的阵列● 虚警的固定概率a，（1）合成具有期望性能的辐射图，(2) 计算残差向量e，(3) 计算决策函数K_k，(4) 计算GLR测试的决策阈值h_∞a_∞(5) 检查故障：如果KePha，则一、十度角异常否则，如果Keha，则

下载后可阅读完整内容，剩余1页未读，立即下载